Библиотека Structured Data Models (SDM) от NVIDIA позволяет выполнять предсказания на табличных данных без необходимости обучения моделей. Система использует предобученные модели, такие как TabICLv2 и KumoTabular, которые работают с размеченными примерами как с контекстом для ответов на запросы.
Для работы с данными библиотека применяет структуру TableTensor, разделяющую поля на числовые, категориальные, текстовые, временные и идентификаторы. Пользователям рекомендуется принудительно задавать параметры для текста и ID, так как автоматическое определение типов может привести к ошибкам классификации.
При обработке дат важно учитывать, что SDM хранит их как целые микросекунды. Данные с наносекундной точностью требуют предварительного округления до микросекунд, иначе формат Arrow вызовет ошибку из-за невозможности отбросить значащие цифры при приведении типов.
Тестирование на наборе данных по раку молочной железы показало, что модели TabICLv2 и KumoTabular достигают точности 0.970 без обучения. Это сопоставимо с результатами логистической регрессии и градиентного бустинга, которые были предварительно обучены на тех же 300 строках данных.
Библиотека поддерживает кэширование контекста через метод fit, который кодирует данные один раз. Это ускоряет обработку множества пакетов запросов по сравнению с повторным кодированием контекста при каждом вызове, что особенно эффективно при работе с большими объемами данных.
